机器学习实战：TensorFlow在图像识别中的应用探索
【10月更文挑战第28天】随着深度学习技术的发展，图像识别取得了显著进步。TensorFlow作为Google开源的机器学习框架，凭借其强大的功能和灵活的API，在图像识别任务中广泛应用。本文通过实战案例，探讨TensorFlow在图像识别中的优势与挑战，展示如何使用TensorFlow构建和训练卷积神经网络（CNN），并评估模型的性能。尽管面临学习曲线和资源消耗等挑战，TensorFlow仍展现出广阔的应用前景。
我在STM32单片机上跑神经网络算法—CUBE-AI
为什么可以在STM上面跑人工智能？简而言之就是通过X-Cube-AI扩展将当前比较热门的AI框架进行C代码的转化，以支持在嵌入式设备上使用，目前使用X-Cube-AI需要在STM32CubeMX版本7.0以上，目前支持转化的模型有Keras、TF lite、ONNX、Lasagne、Caffe、ConvNetJS。Cube-AI把模型转化为一堆数组，而后将这些数组内容解析成模型，和Tensorflow里的模型转数组后使用原理是一样的。